論文の概要: Learning stable reduced-order models for hybrid twins
- arxiv url: http://arxiv.org/abs/2106.03464v1
- Date: Mon, 7 Jun 2021 09:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:49:02.989562
- Title: Learning stable reduced-order models for hybrid twins
- Title(参考訳): 双子双生児の安定低次モデル学習
- Authors: Abel Sancarlos, Morgan Cameron, Jean-Marc Le Peuvedic, Juliette
Groulier, Jean-Louis Duval, Elias Cueto, Francisco Chinesta
- Abstract要約: ハイブリッドツインの概念は、物理モデルに基づくモデルをモデル順序還元フレームワーク内で組み合わせて、リアルタイムのフィードバック率とデータサイエンスを得る。
本稿では,Hybrid Twinフレームワークにおける安定,高速,高精度な補正の計算に着目する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The concept of Hybrid Twin (HT) has recently received a growing interest
thanks to the availability of powerful machine learning techniques. This twin
concept combines physics-based models within a model-order reduction
framework-to obtain real-time feedback rates-and data science. Thus, the main
idea of the HT is to develop on-the-fly data-driven models to correct possible
deviations between measurements and physics-based model predictions. This paper
is focused on the computation of stable, fast and accurate corrections in the
Hybrid Twin framework. Furthermore, regarding the delicate and important
problem of stability, a new approach is proposed, introducing several
sub-variants and guaranteeing a low computational cost as well as the
achievement of a stable time-integration.
- Abstract(参考訳): ハイブリッドツイン(ht)の概念は最近、強力な機械学習技術が利用可能になったことで、関心が高まっている。
この双対の概念は、リアルタイムフィードバック率とデータサイエンスを得るために、モデル順序還元フレームワーク内の物理モデルを組み合わせる。
したがって、HTの主な考え方は、測定と物理に基づくモデル予測の偏差を補正するために、オンザフライのデータ駆動モデルを開発することである。
本稿では,Hybrid Twinフレームワークにおける安定,高速,高精度な補正の計算に着目する。
さらに,安定性の繊細で重要な問題に関して,いくつかの部分変数を導入し,低計算コストと安定な時間積分の達成を保証する新しい手法を提案する。
関連論文リスト
- Introducing Hybrid Modeling with Time-series-Transformers: A Comparative
Study of Series and Parallel Approach in Batch Crystallization [0.0]
既存のデジタルツインのほとんどは、ディープニューラルリカレントと畳み込みニューラルネットワーク(DNN、RNN、CNN)を使用して、化学系のダイナミクスを捉えるデータ駆動ブラックボックスモデルに依存している。
近年,マルチヘッドアテンション機構と位置符号化を利用したアテンションベースの時系列変換器(TST)は,高い予測性能を示した。
バッチ結晶化のための第1世代のTSTベースのハイブリッドフレームワークが開発され、従来のブラックボックスモデルと比較して精度と解釈性が向上した。
論文 参考訳(メタデータ) (2023-07-25T15:19:51Z) - Enhanced multi-fidelity modelling for digital twin and uncertainty
quantification [0.0]
データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。
利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。
本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-26T05:58:17Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - MINN: Learning the dynamics of differential-algebraic equations and
application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。
MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳(メタデータ) (2023-04-27T09:11:40Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳(メタデータ) (2022-06-13T03:41:31Z) - Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion
Batteries [5.735035463793008]
本稿では,リチウムイオン電池(LiB)の高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。
これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで、物理と機械学習の深い統合を可能にする。
この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
論文 参考訳(メタデータ) (2021-12-24T07:39:02Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Integrating Electrochemical Modeling with Machine Learning for
Lithium-Ion Batteries [0.0]
本稿では,リチウムイオン電池(LiB)の高精度モデリングを実現するために,物理モデルと機械学習を統合する新しい手法を提案する。
本稿では,1粒子モデルと熱力学(SPMT)をフィードフォワードニューラルネットワーク(FNN)とを混合して,LiBの動的挙動の物理インフォームド学習を行うアプローチに基づく2つのハイブリッド物理機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-03-22T04:53:38Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - No MCMC for me: Amortized sampling for fast and stable training of
energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。
本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。
次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文 参考訳(メタデータ) (2020-10-08T19:17:20Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。